Submitted by Reginaldo Soares de Freitas (reginaldo.freitas@ufv.br) on 2016-04-22T13:42:06Z No. of bitstreams: 1 texto completo.pdf: 2115910 bytes, checksum: 9ac26b919d7cf610eba0b2e44061dcc7 (MD5) / Made available in DSpace on 2016-04-22T13:42:06Z (GMT). No. of bitstreams: 1 texto completo.pdf: 2115910 bytes, checksum: 9ac26b919d7cf610eba0b2e44061dcc7 (MD5) Previous issue date: 2016-02-17 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / A predição do mérito genético dos indivíduos é um dos maiores desafios no melhoremento de plantas e animais. A predição é difícil por que as características importantes possuem natureza complexa, onde alguns caracteres possuem poucos genes de efeito maior, enquanto que outros são controlados por um elevado número de genes de efeito pequeno, além disso, efeitos não-additivos como dominância e epistasia podem ser importantes para o controle da variação genética. Para obter altas acurácias na predição é importante usar o modelo que corresponde com a arquitetura genética da característica e adicionalmente a adequada partição das várias fontes de variação genética (aditiva, dominancia e epistasia) é desejada para várias aplicações como capacidade geral e específica de combinação. No capítulo 1 foi revisado os aspectos gerais da predição genômica (GP), a aplicação dessa abordagem com diferentes propósitos em características com distintas arquiteturas genéticas e no final alguns modelos estatísticos aplicado na GP. No capítulo 2 foi avaliado modelos de regressão genômica (WGR) aditivos e aditivo-dominante com diferentes prioris, essas são premissas sobre a presença ou não de marcas com efeito maior. Adicionalmente no capítulo 3 foi avaliado a inclusão da informação oriunda do pedigree na predição genômica, usando os modelos BayesA aditivo e aditivo-dominante e também com o RKHS, que teoricamente pode predizer os efeitos aditivo e não aditivos confundidos. Esses modelos foram aplicados na altura de árvores (HT) aos 6 anos de idade, diâmetro na altura do peito (DBH) e resistência a ferrugem, mesurados em 923 indivíduos de pinos oriundos de uma população estruturada em 71 irmãos completos e genotipados com 4722 marcadores genéticos. Também foram simulados 6 características com distintas arquiteturas genéticas (poligenica e oligogênica com três leveis de dominância) para esses estudos. As populações simuladas usadas nessas características foram derivadas a partir de um programa de melhoramento padrão de pinos. No capítulo 2 para as caracteríticas oligogenica simuladas e para resistência a ferrugem o BayesA e BayesB forneceram as melhores acurácias para predição genotípica, porem as diferentes priores usadas em WGR produziram resultados similares para HT e para característica poligênicas simuladas. Contudo a inclusão da dominância nos modelos WGR aumentaram a acurácia apenas para características simuladas com elevado efeito de dominância e para HT. Quando o BayesB foi ajustado em uma geração para predizer na geração seguinte, a inclusão da dominância aumentou as acurácias apenas para características oligogenicas simuladas com elevada dominancia. Independente do modelo adotado, a acurácia da predição genotípica total decresceu com o aumento dos efeitos de dominancia nas características simuladas. Então esses resultados refletem que a predição da dominancia foi complexa quando comparado com a predição dos efeitos aditivos, e para a aplicações posteriores dos efeitos de dominância, algumas propriedades genéticas da população devem ser avaliadas como MAF e número de meios irmãos e irmãos completos. No capítulo 3, a inclusão do informação oriunda do pedigree no modelo genômico, não produziu acurácias mais elevadas quando comparado com os modelos que usaram apenas informações de marcadores, e ambos modelos foram substancialmente mais acurados que o modelo baseado apenas em informação de pedigree. Em HT, DBH e características poligênicas simuladas com efeitos aditivos e dominantes, os modelos baseados em RKHS mostraram acurácias ligeiramente superiores que o BayesA para predição genotípica total, enquanto que o BayesA foi a melhor opção para resistência a ferrugem e características oligogenicas. Para a predição dos valores de melhoramento o BayesA aditivo foi o melhor modelo. / The prediction of individual genetic merit is one of most important challenges in plant and animal breeding. Prediction is difficult because the important traits have a complex nature, where some traits have few genes with major effects, while others are controlled by a large number of genes with small effects. Non-additive effects such as dominance and epistasis can also be important for controlling the genetic variation. In order to achieve higher accuracies in the prediction, it is important to use the model that matches the genetic architecture of trait. The proper partition of the various sources of genetic variation (additive, dominance and epistasis) is desired for several applications, such as exploring the overall and specific combination ability. In Chapter 1, the general remarks of genomic prediction (GP) are reviewed, with the application of this approach with different proposals in distinct genetic architecture traits, together with some statistic models applied in GP. In Chapter 2, the additive and additive-dominance whole-genomic-regression (WGR) models are evaluated with different priors, together with assumptions regarding the presence or not of markers with major effects. Chapter 3 evaluates the inclusion of pedigree information in genomic prediction with additive- and additive-dominance BayesA and also with RKHS model that can theoretically predict confused additive and non- additive effects. These models were applied in tree height (HT), diameter at breast height (DBH) and rust resistance in 923 loblolly pine individuals at 6 years of age from a structured population of 71 full-sib families genotyped with 4722 genetic markers. Six traits were also simulated with distinct genetic architectures (polygenic and oligogenic traits with three dominance levels) for these studies. The simulated population for these traits was derived from a standard pine breeding program. In the oligogenic simulated traits and rust resistance in chapter 2, BayesA and BayesB provided greater accuracies for genotypic prediction; however, the different priors of WGR yielded similar results for HT and simulated polygenic traits. Therefore, the inclusion of dominance effects in WGR increases the accuracy only for simulated traits with high dominance effects and HT. When BayesB was fitted in one generation for predicting the next generation, the dominance inclusion increased the accuracies only for the oligogenic simulated trait with high dominance. Regardless of the model adopted, the accuracy of whole genotypic prediction decreased with the increase of dominance effects in simulated traits. Thus, these results reflect that dominance prediction is complex when compared to additive prediction, and for downstream applications of dominance effects, some genetic properties of the population should be evaluated, such as MAF and the number of half and full-sibs. In chapter 3, the inclusion of pedigree information in genomic model did not yield higher accuracies than models based in only marker information, and both models were substantially more accurate than models basedonly on pedigree. In HT, DBH and in polygenic traits simulated with additive-dominance effects, the RKHS-based models showed slightly higher accuracies than BayesA for whole genotypic prediction, while BayesA-based models were the best option for rust resistance and oligogenic simulated traits. For the prediction of breeding values, the BayesA additive was the best model.